ML4P

Im Fraunhofer-Leitprojekt bündeln Fraunhofer-Institute ihre umfangreichen Erfahrungen im Bereich Machine Learning in der Produktion. Denn Bedarf besteht sowohl in der Prozess- als auch in der stückgutproduzierenden Industrie.

Machine Learning for Production

Fraunhofer-Leitprojekt ML4P

Moderne Produktionsanlagen sind inzwischen höchst komplex. Prozesse sind miteinander vernetzt, Maschinen, Schnittstellen und Bauteile kommunizieren miteinander. Solche Industrieanlagen sind prädestiniert für die Optimierung durch Methoden des Maschinellen Lernens (ML). Denn sie ermöglichen es, anhand großer Datenmengen Vorhersagen zu treffen.

Im Fraunhofer-Leitprojekt bündeln sieben Fraunhofer-Institute ihre umfangreichen Erfahrungen im Bereich Machine Learning. Denn Bedarf besteht sowohl in der Prozess- als auch in der stückgutproduzierenden Industrie.

Mit Machine Learning lassen sich datengestützt:

  • unbekannte Zusammenhänge lernen
  • Prozesse modellieren
  • adaptive Mechanismen realisieren, die Anlagen flexibel und schnell wandelbar machen
Logo ML4P

Machine Learning for Production gehört seit Ende 2017 zu den Fraunhofer-Leitprojekten.

Daten gepaart mit Expertenwissen

Im Gegensatz zu jenen Anwendungsdomänen des Machine Learnings, wo gigantische Datenmengen vorliegen (Internet, soziale Medien usw.), hat man im industriellen Kontext »nur viele« Daten, in der Regel aber noch zusätzliches Expertenwissen. Bei einer konsequenten Anlagenoptimierung muss beides genutzt werden: alle verfügbaren Daten und das gesamte Expertenwissen.

Im industriellen Kontext sind daher nicht nur das derzeitige Trendthema Deep Learning, sondern darüber hinaus eine große Vielfalt weiterer spezieller ML-Methoden interessant, die auch mit vergleichsweise weniger Daten unter gleichzeitiger Nutzung von Vorwissen gut umgehen können.

Im Leitprojekt ML4P formulieren wir intelligente Methoden zur Bedarfsdeckung der Industrie und bereiten den Weg zu flexiblen, schnell lernenden Anlagen vor. Eine »lernende Maschine« könnte zum Beispiel den Einbau intelligenter Komponenten oder einen effizienten, ganzheitlichen Umgang mit sehr großen Datenmengen beinhalten.

Ziele des Leitprojektes ML4P:

  • Entwicklung eines toolgestützten Vorgehensmodells
  • Realisierung eines Software-Tools, mit dem der Ist-Zustand erfasst und analysiert wird, um mögliche Optimierungspotentiale aufzuzeigen
  • Ableitung und Auswahl geeigneter Verfahren des Maschinellen Lernens in der Produktion

Ein derartiges toolgestütztes Vorgehensmodell für die industrielle Nutzung von ML gibt es bis heute nicht, sodass durch das Leitprojekt »ML4P« eine Alleinstellung für Fraunhofer resultiert. Die Zusammensetzung der beteiligten Institute ist interdisziplinär. Die Kompetenzen ergänzen sich sinnvoll und erlauben neben Vorgehensmodell-, Methoden- und Softwareentwicklung die Validierung der Projektergebnisse in drei anspruchsvollen Demonstratoren unterschiedlicher Produktionsanlagen.

 

Aufgabenbereiche unseres Instituts

Drei Abteilungen unseres Instituts arbeiten gemeinsam im Leitprojekt ML4P mit den unterschiedlichsten Aufgabenbereichen: die Abteilung »Optimierung«, »Finanzmathematik« und »Bildverarbeitung«.

Produktionsanlagen bestehen in der Regel aus vielen einzelnen vernetzten Komponenten. Ziel ist es, zu einem Modell der gesamten Anlage zu kommen, um auf Grund dieses Gesamtmodells mit Methoden der mathematischen Optimierung verbesserte Anlagendesigns oder Betriebsweisen vorzuschlagen. Dazu werden sowohl physikalisches Modellwissen als auch Methoden des maschinellen Lernens eingesetzt, wobei diese Lernverfahren sowohl auf komplexen Simulationsdaten als auch auf gemessenen Betriebsdaten der Produktionsanlagen aufbauen. Die Betriebsdaten können sowohl aus der sensoriellen Überwachung als auch der Dokumentation der Betriebsgegebenheiten stammen. Insbesondere die Anwendung von ML-Verfahren in der statistischen Analyse von Zeitreihen und der automatische Analyse von Bilddaten stellen Schwerpunkte dar.

 

Beteiligt Fraunhofer-Institute:

 

Projektdauer:

​01.12.2017 – 30.11.2021